A Rapid Review of the Impact of Systems-Level Policies and Interventions on Population-Level Outcomes Related to the Opioid Epidemic, United States and Canada, 2014-2018
Notice bibliographique
Résumé
OBJECTIVES: In the United States, rising rates of overdose deaths and recent outbreaks of hepatitis C virus and HIV infection are associated with injection drug use. We updated a 2014 review of systems-level opioid policy interventions by focusing on evidence published during 2014-2018 and new and expanded opioid policies. METHODS: We searched the MEDLINE database, consistent with the 2014 review. We included articles that provided original empirical evidence on the effects of systems-level interventions on opioid use, overdose, or death; were from the United States or Canada; had a clear comparison group; and were published from January 1, 2014, through July 19, 2018. Two raters screened articles and extracted full-text data for qualitative synthesis of consistent or contradictory findings across studies. Given the rapidly evolving field, the review was supplemented with a search of additional articles through November 17, 2019, to assess consistency of more recent findings. RESULTS: The keyword search yielded 535 studies, 66 of which met inclusion criteria. The most studied interventions were prescription drug monitoring programs (PDMPs) (59.1%), and the least studied interventions were clinical guideline changes (7.6%). The most common outcome was opioid use (77.3%). Few articles evaluated combination interventions (18.2%). Study findings included the following: PDMP effectiveness depends on policy design, with robust PDMPs needed for impact; health insurer and pharmacy benefit management strategies, pill-mill laws, pain clinic regulations, and patient/health care provider educational interventions reduced inappropriate prescribing; and marijuana laws led to a decrease in adverse opioid-related outcomes. Naloxone distribution programs were understudied, and evidence of their effectiveness was mixed. In the evidence published after our search's 4-year window, findings on opioid guidelines and education were consistent and findings for other policies differed. CONCLUSIONS: Although robust PDMPs and marijuana laws are promising, they do not target all outcomes, and multipronged interventions are needed. Future research should address marijuana laws, harm-reduction interventions, health insurer policies, patient/health care provider education, and the effects of simultaneous interventions on opioid-related outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,028 | 0,033 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».